Ajuster des modèles de forêts aléatoires

Maintenant que vous avez un modèle de régression logistique opérationnel, vous allez préparer un modèle de forêt aléatoire pour le comparer.

Cet exercice fait partie du cours

<cours>Machine Learning dans le tidyverse</cours>

Voir le cours

Instructions de l’exercice

Utilisez crossing() pour étendre les données de validation croisée avec des valeurs de mtry égales à 2, 4, 8 et 16.
Construisez des modèles de forêt aléatoire pour chaque combinaison fold/mtry.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

library(ranger)

# Prepare for tuning your cross validation folds by varying mtry
cv_tune <- cv_data %>%
  crossing(mtry = c(___)) 

# Build a cross validation model for each fold & mtry combination
cv_models_rf <- cv_tune %>% 
  mutate(model = map2(___, ___, ~ranger(formula = Attrition~., 
                                           data = .x, mtry = .y,
                                           num.trees = 100, seed = 42)))

Modifier et exécuter le code